In [1]:

    

import tensorflow as tf
import numpy as np


    

In [2]:

    

from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)


    

    




Successfully downloaded train-images-idx3-ubyte.gz 9912422 bytes.
Extracting MNIST_data/train-images-idx3-ubyte.gz
Successfully downloaded train-labels-idx1-ubyte.gz 28881 bytes.
Extracting MNIST_data/train-labels-idx1-ubyte.gz
Successfully downloaded t10k-images-idx3-ubyte.gz 1648877 bytes.
Extracting MNIST_data/t10k-images-idx3-ubyte.gz
Successfully downloaded t10k-labels-idx1-ubyte.gz 4542 bytes.
Extracting MNIST_data/t10k-labels-idx1-ubyte.gz

In [13]:

    

mnist.train.labels.shape


    

    
Out[13]:





(55000, 10)

In [14]:

    

mnist.train.images.shape


    

    
Out[14]:





(55000, 784)

In [15]:

    

x = tf.placeholder(tf.float32, [None, 784])


    

In [16]:

    

x.shape #posso passarle qualsiasi numero di immagini di dimensione 784


    

    
Out[16]:





TensorShape([Dimension(None), Dimension(784)])

In [25]:

    

W = tf.Variable(tf.zeros([784, 10])) #inizializzati a zero


    

In [26]:

    

b = tf.Variable(tf.zeros([10])) #per una immagine, dimensione 1x10


    

In [27]:

    

y = tf.nn.softmax(tf.matmul(x, W) + b) #predicted values dimensione 1x10


    

In [28]:

    

y_ = tf.placeholder(tf.float32, [None, 10]) #correct classification


    

In [29]:

    

cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), 
                                              reduction_indices=[1]))


    

In [30]:

    

# Usa back propagation sul grafo per calcolare le derivate dell'output
# (loss) rispetto a tutti i parametri da ottimizzare. 
# Aggiorna i parametri in base al metodo di ottimizzazione scelto
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)


    

In [31]:

    

sess = tf.InteractiveSession()


    

In [32]:

    

tf.global_variables_initializer().run()


    

In [33]:

    

# aggiorno i miei parametri mille volte
# utilizzo batches of random data. Questo metodo è chiamato STOCHASTIC 
# TRAINING. In questo caso STOCHASTIC GRADIENT DESCENT.
for _ in range(1000):
    batch_xs, batch_ys = mnist.train.next_batch(100)
    sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})


    

In [34]:

    

# Avrò per ogni immagine una vettore di 10 probabilità di appartenere 
# ad una classe. 
# tf.argmax da l'indice della colonna che massimizza il vettore y.
# Confronto l'indice corretto con il previsto per ogni immagine
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))


    

In [35]:

    

# avrò come risultato un vettore di 55000 true or false
# trasformato in valori 1, 0 
# faccio la media
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))


    

In [36]:

    

# devo valutare questo altro nodo che prende i valori previsti, 
# quelli corretti e fa delle operazioni
# HO GIA LA SESSIONE APERTA
# NON HO DEFINITO ALTRE VARIABILE, POSSO DIRETTAMENTE RUNNARE
# Ho utilizzato i training data per i nodi precedenti
# Utilizzo i test data per valutare la performance 
print(sess.run(accuracy, 
               feed_dict={x: mnist.test.images, y_: mnist.test.labels}))


    

    




0.92

In [ ]: